具有异配性的图神经对流-扩散模型
机器学习
2023-05-31 v2 社会与信息网络
摘要
图神经网络（GNNs）在各种图学习任务中展现出有前景的结果，但它们通常假设同配性，这可能导致在异配图上的性能不佳。在异配图上，相连节点很可能来自不同类别或具有不相似的特征。在本文中，我们提出了一种新颖的 GNN，它通过使用对流-扩散方程（CDE）对节点上的信息流进行建模，从而融入异配性原则。这使得 CDE 能够同时考虑由同配性引起的信息扩散和由异配性引起的信息“对流”。我们进行了大量实验，结果表明与最先进的方法相比，我们的框架在异配图的节点分类任务上能够取得具有竞争力的性能。代码可在 \url{https://github.com/zknus/Graph-Diffusion-CDE} 获取。
引用
@article{arxiv.2305.16780,
title = {Graph Neural Convection-Diffusion with Heterophily},
author = {Kai Zhao and Qiyu Kang and Yang Song and Rui She and Sijie Wang and Wee Peng Tay},
journal= {arXiv preprint arXiv:2305.16780},
year = {2023}
}
备注
Proc. International Joint Conference on Artificial Intelligence (IJCAI), Macao, China, Aug. 2023